圖形跟蹤與卡爾曼濾波(文件)
【正文】 Tina Memo: 19951998, Internal, Dec. 1st, 1998. 3. Mikkel B. Stegmann, “Object Tracking Using Statistical Models of Appearance”. 參考文獻 4. Gregory D. Hager, and Peter N. Belhumeur, “Efficient Region Tracking With Parametric Models of Geometry and Illumination,” IEEE Trans. on Pat. Analys. and Mach. Intellig., Vol. 20, No. 10, pp. 10251039, Oct. 1998. 謝謝觀看！ 。)39。()39。[)39。(39。)(39。過濾器的構造為最小平方差，其目的是從信號中提取所需的信息，忽略其他一切，執(zhí)行這項任務的效果有多好可以采用成本或損失函數(shù)來衡量。()),。()),。接下來我們提出一個高效的并能夠解決對象跟蹤問題的總體框架：首先，我們開發(fā)了一個計算效率的方法來處理在結構的變化中所產生的幾何失真。它將平面形狀作為一個有限的地標集來處理，用于單一 N點形狀的表示是： 下面利用協(xié)方差矩陣的特征向量 的線性組合 引入平均形狀 得到下式： Tnn yyyxxx ],. . . ,. . . ,[x 2121?S?xSbSS bxx ???二、圖象的動態(tài)跟蹤 1. AAM（主動外觀模型） ? 接下來我們引入質地方案，即“整個對象的像素強度的問題（如合適的標準化后有所必要 ）” ，那么對于 m個樣本可以這樣描述： 同樣有 Tmggg ],. . . ,[g 21?gg bgg ???二、圖象的動態(tài)跟蹤 1. AAM（主動外觀模型） ? 有了上述知識基礎，我們下來找到它們之間的聯(lián)系函數(shù)。),(39。),( ?????(g)extF(p)extF0FF )g(i n t ?? ext一、圖形的邊緣定位 2. GVF（梯度矢量流） ? GVF是在 Snakes的基礎上，引入了函數(shù) ν(x, y)來代替 ，從而 下面我們引進源自于 I(x, y)的邊緣圖函數(shù)： (g)extF?????
黨政相關相關推薦
鄂ICP備17016276號-1